《深度学习》第四期 扫二维码继续学习 二维码时效为半小时

(1评价)
价格: 899.00元

 

课程名称:

 

《深度学习》第四期
 

主讲老师:
 

李伟, 美国纽约城市大学博士

研究领域包括深度学习,计算机视觉,人脸计算以及人机交互,即将毕业加入美国顶级云计算平台人工智能研究组。在CVPR,ECCV等顶级会议上发表了多篇学术文章,同时他还是WACV,ACCV,ECCV等重要视觉会议以及MVA,CVIU等期刊的审稿人。

 

课程简介:
 

本次的深度学习课程主要包括三大部分:

      1) 深度学习核心原理。了解深度学习运行的最核心数学原理,从而对后续的知识点扩展,模型设计与优化技能打下基础。

      2) 深度学习知识点连接。会涵盖主流的深度学习研究工程应用中碰到的大部分知识点,与大部分学习资料孤立进行知识点介绍不同,会结合主讲人自身总结找到所有知识点之间的联系,便于系统掌握。

      3) 介绍不同知识点的代表应用。结合所学的原理以及知识点,介绍比较重要的图像和语言方面的应用,如增强学习,迁移学习,GAN等, 方便学员针对自身兴趣的目标进行强化训练。

 

面向人群:

 

      1.  想了解和学习深度学习的学习者
      2.  想学习深度学习的相关从业人员
      3.  想转行从事深度的学习者

 

学习收益:

 

通过本课程的学习,学员将会收获:
      1.  帮助学员系统性的掌握深度学习的基本原理,以及从基本概念到各个先进模型的转化思路

      2.  了解研究过程中定义问题设计模型的思路

      3.  培养学员面对工程及学术问题的思考解决能力
      4.  快速积累深度学习项目经验
     

开课时间:

 

2017年4月28日

 

学习方式:
 

在线直播,共10次课,每次2小时

每周2次(周六、日,下午20:00 - 22:00

重要提示:(因为五一假期听课,第一课移至4月28日,后续维持周末上课不变)

直播后提供录制回放视频,可在线反复观看,有效期1年

 

课程大纲:  

 

第一课 深度学习总体介绍

 

    1. 神经网络:传统到现代

    2. 深度学习应用特点

    3. 深度学习发展方向

    4. 深度学习框架比较:用Tensorflow进行课程学习

    5. 实例:Tensorflow基础

 

第二课 传统神经网络

 

    1. 神经网络起源:线性回归

    2. 从线性到非线性:非线性激励

    3. 神经网络的构建:深度广度复杂度扩展

    4. 神经网络的“配件”:损失函数,学习率,动量,过拟合

    5. 实例: 传统神经网络实现

 

第三课 卷积神经网络-基础篇

 

    1. 链式反向梯度传导

    2. 卷积神经网络-卷积层:正向反向推导

    3. 卷积神经网络-功能层:非线性激励,降维,归一化,区域分割,区域融合

    4. 实例:简单卷积神经网络运行

 

第四课 卷积神经网络-高级篇

 

    1. AlexNet 最早的现代神经网络

    2. VGG,GoogleNet,,ResNet. 近期的高级网络

    3. Deepface 结构化图像网络

    4. U-Net 深度图片生成网络:逆卷积作用

    5. 实例:利用已有模型进行物体分类/特征提取

 

第五课 卷积神经网络-目标分类

 

    1. 目标分类基本框架

    2. 迁移学习

    3. 个人研究分享:如何设计新的的网络

    4. 实例训练:表情识别/人脸识别/动物识别

 

第六课 卷积神经网络-目标探测

 

    1. 目标探测介绍

    2. 传统方法总结-DPM

    3. RCNN 系列:RCNN,Fast RCNN,Faster RCNN

    4. YoLo系列

    5. 实例:目标探测模型训练/部署

 

第七课 递归神经网络

 

    1. RNN基本原理

    2. 升级版RNN:LSTM

    3. 语言特征提取 Word2Vec

    4. 实例:LSTM用于语句生成

 

第八课 递归网络卷积网络结合: CNN+RNN

 

    1. CNN+RNN

    2. 图片标注:学会看图说话

    3. 视频分类:时间信号帮助更多

    4. 图片问答:对话机器人升级版

    5. 实例:图片标注实例

 

第九课 生成对抗网络:GAN

 

    1. GAN原理基础

    2. 深度GAN:GAN +深度学习

    3. 条件GAN:生成图片由我控制

    4. info GAN:无监督找特征

    5. Wasserstein GAN:理论创新

    6. 实例:Pix2Pix 自定义图片生成

 

第十课 增强学习

 

    1. 增强学习基础

    2. DQN 深度增强学习

    3. DQN 改进模型

    4. A3C 模型:高效游戏机器人

    5. 实例:DQN用于Atari游戏学习 

 

常见问题:
 

Q: 会有实际上机演示和动手操作吗?
A: 有,几乎每节课,老师均会准备上机演示部分,学员可以学习老师的实践经验。
Q: 参加本门课程有什么要求?
A: 有一定Python编程能力,有基本大学数学基础。

Q: 本课程怎么答疑?
A: 推荐大家到小象问答社区(wenda.chinahadoop.cn)提问,方便知识的沉淀,老师会集中回答,不会因为QQ群信息刷屏而被老师错过。也会有专门的QQ班级群,同学们可以针对课上知识的问题,或者自己学习与动手实践中的问题,向老师提问,老师会进行相应解答。

Q: 本课程需要什么环境?
A: 开发环境主要以Ubuntu为主,深度学习训练需要有可以支持的显卡,基本要求GTX 960,有条件的尽量 GTX 1080, GTX Titan X 更好(显卡的内核数以及显存数尽量多一点)。

Q:在哪里上课?

A:课程直播和回放都在小象学院官网(http://www.chinahadoop.cn)上进行,不需要其他直播软件;如果希望上下班路上观看,可以下载小象学院app进行缓存。

 

联系方式:

 

参团后,请加客服微信:18600475565

手机:18600475565

邮件:admin@chinahadoop.cn

网站:http://www.chinahadoop.cn